弱监督学习在非造影CT血管分割中的应用与优化

1. 项目背景与核心挑战

在医学影像分析领域，非造影CT图像中的血管结构分割一直是个棘手问题。不同于造影增强CT，这类图像缺乏明显的血管对比度，传统分割方法往往表现不佳。我在处理这类数据时发现，椭圆形的血管结构尤其难以准确识别——它们边缘模糊、灰度值与周围组织相近，手工标注既费时又容易产生主观偏差。

更麻烦的是，获取大量精准标注的训练数据成本极高。每个病例都需要放射科医生逐层勾画，一套完整的标注可能耗费数小时。这直接导致两个问题：一是标注数据稀缺，二是不同医师的标注标准难以统一。我们团队曾统计过，同一批数据由三位资深医师标注，血管边界位置的差异能达到3-5个像素，这对模型训练造成了显著干扰。

2. 技术方案设计思路

2.1 弱监督学习的破局点

面对标注数据匮乏的困境，我们转向弱监督学习方向。传统强监督需要像素级标注，而弱监督可以仅用图像级标签（如"包含血管"/"不包含血管"）或部分标注数据来训练模型。这个思路的关键在于：如何从有限标注中挖掘出足够的学习信号？

经过多次实验，我们发现高斯伪标签技术（Gaussian Pseudo Labeling）特别适合解决这个问题。它的核心思想是：用模型对未标注数据的预测结果作为"伪标签"，但这些标签不是直接使用，而是通过高斯分布进行概率化处理，从而降低错误标注的负面影响。

2.2 椭圆形血管的特殊处理

针对椭圆形血管结构，我们在网络设计中加入了两个关键模块：

1. 可变形卷积层：适应血管的几何变形
2. 各向异性高斯核：专门处理血管的长轴/短轴特征

在损失函数方面，采用加权Dice损失+边缘感知损失的组合。前者解决类别不平衡问题（血管像素占比通常不足5%），后者强化对血管边界的识别能力。具体公式如下：

code复制L_total = λ1*L_dice + λ2*L_edge + λ3*L_consistency

其中一致性损失L_consistency用于约束伪标签与模型预测的稳定性，这是避免错误累积的关键设计。

3. 实现细节与调优经验

3.1 数据预处理流水线

我们构建了一套自适应预处理流程：

1. 灰度归一化：采用3σ截断的窗宽窗位调整
2. 血管ROI提取：基于Hessian矩阵的Frangi滤波初筛
3. 弹性形变增强：模拟呼吸运动导致的血管形